[發(fā)明專(zhuān)利]一種改進(jìn)MFCC算法的風(fēng)機(jī)葉片故障診斷方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202210304543.7
• 申請(qǐng)日: 2022-03-21
• 公開(kāi)（公告）號(hào): CN114841193A
• 公開(kāi)（公告）日: 2022-08-02
• 發(fā)明（設(shè)計(jì)）人: 張家安;田家輝;姜皓齡
• 申請(qǐng)（專(zhuān)利權(quán)）人: 河北工業(yè)大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62;G06Q10/00;G06Q50/06
• 代理公司: 天津翰林知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 12210
• 代理人: 蔡運(yùn)紅

1.一種改進(jìn)MFCC算法的風(fēng)機(jī)葉片故障診斷方法，其特征在于，該方法包括以下步驟：

步驟1：采集風(fēng)機(jī)的聲音信號(hào)；

步驟2：利用改進(jìn)MFCC算法對(duì)聲音信號(hào)進(jìn)行特征提取，得到MFCC特征矩陣，MFCC特征矩陣包含N個(gè)樣本特征幀；

改進(jìn)MFCC算法將聲音信號(hào)的全頻段分為三部分，并通過(guò)下式將聲音信號(hào)的物理頻率轉(zhuǎn)換為梅爾頻率；

其中，Mel(f)表示梅爾頻率，f表示聲音信號(hào)的物理頻率，[a,b]表示故障信號(hào)頻段；

對(duì)[0,a)、[a,b]、(b,25000]三個(gè)頻段賦予不同權(quán)重，分別為α、β、γ，0.5≤β＜1且α+β+γ＝1，權(quán)重越大頻段內(nèi)放置濾波器的個(gè)數(shù)越多，則頻段[0,a)放置濾波器的個(gè)數(shù)為α*M，頻段[a,b]放置濾波器的個(gè)數(shù)為β*M，頻段(b,25000]放置濾波器的個(gè)數(shù)為γ*M，M表示濾波器總數(shù)；

步驟3：利用K-means聚類(lèi)算法對(duì)MFCC特征矩陣進(jìn)行聚類(lèi)，將各個(gè)樣本特征幀聚類(lèi)為故障幀和非故障幀；以聚類(lèi)輪廓系數(shù)為指標(biāo)評(píng)價(jià)聚類(lèi)效果，則聚類(lèi)效果綜合度量函數(shù)為：

其中，p(i)表示第i個(gè)樣本特征幀的聚類(lèi)輪廓系數(shù)；

將聚類(lèi)效果綜合度量函數(shù)作為群智能算法的適應(yīng)度函數(shù)，通過(guò)群智能算法對(duì)故障信號(hào)頻段[a,b]進(jìn)行迭代尋優(yōu)，當(dāng)群智能算法的迭代次數(shù)達(dá)到最大迭代次數(shù)時(shí)，故障信號(hào)頻段[a,b]最優(yōu)；

步驟4：對(duì)故障幀和非故障幀標(biāo)注類(lèi)別標(biāo)簽，將標(biāo)注后的故障幀和非故障幀作為SVM的輸入，對(duì)SVM進(jìn)行訓(xùn)練，將訓(xùn)練后的SVM用于故障診斷。

2.根據(jù)權(quán)利要求1所述的改進(jìn)MFCC算法的風(fēng)機(jī)葉片故障診斷方法，其特征在于，當(dāng)α、β、γ分別取0.1，0.7和0.2時(shí)，梅爾濾波的效果最佳。

3.根據(jù)權(quán)利要求1所述的改進(jìn)MFCC算法的風(fēng)機(jī)葉片故障診斷方法，其特征在于，所述粒子群算法或蟻群算法。